以机器学习预测气候变化带来的农业影响

原文标题：Machine learning methods for crop yield prediction and climate change impact assessment in agriculture

原文作者：Andrew Crane-Droesch

一作单位：Economic Research Service, United States Department of Agriculture, Washington DC 20024, United States of America

期刊名：Environmental Research Letters

期刊月份：2018年10月

关键词：农业，机械学习，气候影响

农作物产量与气候环境关系密切，过去相关研究多采用结合确定性作物物模型和计量经济统计方法的方式进行。为了提升模型的预测能力，本研究放眼近年发展迅速的机器学习（Machine Learning, ML），ML着重对结果的预测，与传统统计学解释相关性的侧重点明显不同。研究在传统统计模型基础上加入ML元素，建立一个可以同步解释高维数据非线性关系、参数结构、以及截面异质性的半参数神经网络（Semi-Parametric Neural Network, SNN），并通过对美国中西部玉米产量的预测，研究气候变化对农作物产量的影响。SNN能提升一般神经网络的统计效率，以及捕捉被传统变量模型忽略的驱动因子。

研究结果显示，SNN的表现比传统变量模型和非参数神经网络更好，在测试训练中能够更准确地预测气候变化影响下的农作物产量。SNN的均值投影置信区间明显要小于其余2种预测模型，显示出在所有气候情景下更好的准确性。一系列气候情景分析结果显示，气候变化对农作物产量的负面影响虽然存在于全部预测模型中，但SNN得出的受影响程度没有传统变量模型的结果严重，传统变量模型在北部地区倾向高估农作物产量，在南部地区则倾向低估，两种模型的差异在最温暖地区和情景的背景下更是超过16%。

编者按

本研究证明了机器学习方法能够提升气候模型对农作物产量的预测能力，研究中的改良模型得出一些明显不同于先前模型的预测结果，显示出改善的幅度。本研究有力地扩充了相关研究领域的方法学，把气候模型带到前沿机器学习与人工智能知识邻域中。